KI-Kanban-Behälter
-
Alexander Rokoss
Alexander Rokoss, M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter und Promotionsstudent am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg. Er forscht auf dem Gebiet des Einsatzes künstlicher Intelligenz in der Produktionsplanung und -steuerung.
,
Lennart Popkes
Lennart Popkes, B. Sc., geb. 2000, studiert Management & Data Science an der Fakultät Management & Technologie der Leuphana Universität Lüneburg.
Kathrin Julia Kramer, M. Sc., geb. 1991, ist Wissenschaftliche Mitarbeiterin und Doktorandin im Bereich Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
Thorben Green, M. Sc., geb. 1991, ist Wissenschaftlicher Mitarbeiter und Doktorand am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
Prof. Dr.-Ing. habil. Matthias Schmidt, geb. 1978, studierte Wirtschaftsingenieurwesen an der Leibniz Universität und promovierte am Institut für Produktionsanlagen und Logistik (IFA) der selbigen Universität. Seit 2018 ist er Inhaber des Lehrstuhls für Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität und übernahm zusätzlich 2019 die Leitung des Instituts.
Abstract
Mit dem Kanban-Verfahren gesteuerte Produktionssysteme nutzen heute elektronische Unterstützung zur Verfolgung einzelner Behälter, um datenbasiert Logistikprozesse zu verbessern. Dieser Beitrag stellt eine alternative technische Auslegung vor. Es finden mit Sensoren ausgestattete Behälter Verwendung, welche über einen KI-fähigen Mikrocontroller ihren Standort im Produktionssystem dezentral ermitteln, um ohne feste Erfassungspunkte eine permanente Nachverfolgbarkeit der Behälter zu gewährleisten.
Abstract
Production systems controlled by kanban processes utilize electronic support systems to track individual containers in order to improve data-based logistics processes. This paper presents an alternative technical design using Edge-AI. Containers equipped with sensors are used, which determine their location in the production system decentrally via an AI-capable microcontroller to ensure permanent traceability of the containers without fixed detection points.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Alexander Rokoss, M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter und Promotionsstudent am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg. Er forscht auf dem Gebiet des Einsatzes künstlicher Intelligenz in der Produktionsplanung und -steuerung.
Lennart Popkes, B. Sc., geb. 2000, studiert Management & Data Science an der Fakultät Management & Technologie der Leuphana Universität Lüneburg.
Kathrin Julia Kramer, M. Sc., geb. 1991, ist Wissenschaftliche Mitarbeiterin und Doktorandin im Bereich Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
Thorben Green, M. Sc., geb. 1991, ist Wissenschaftlicher Mitarbeiter und Doktorand am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
Prof. Dr.-Ing. habil. Matthias Schmidt, geb. 1978, studierte Wirtschaftsingenieurwesen an der Leibniz Universität und promovierte am Institut für Produktionsanlagen und Logistik (IFA) der selbigen Universität. Seit 2018 ist er Inhaber des Lehrstuhls für Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität und übernahm zusätzlich 2019 die Leitung des Instituts.
Danksagung
Gefördert vom Niedersächsischen Ministerium für Wissenschaft und Kultur unter Fördernummer ZN3489 im Niedersächsischen Vorab der Volkswagen Stiftung und betreut vom Zentrum für digitale Innovationen (ZDIN).
Literatur
1 Wan, H.; Chen, F. F.: A Web-based Kanban System for Job Dispatching, Tracking, and Performance Monitoring. The International Journal of Advanced Manufacturing Technology 38 (2008), S. 995–1005 DOI:10.1007/s00170-007-1145-210.1007/s00170-007-1145-2Suche in Google Scholar
2 Hänggi, R.; Fimpel, A.; Siegenthaler, R.: LEAN Production – Easy and Comprehensive. Springer-Vieweg-Verlag, Wiesbaden 2022, S. 130 DOI:10.1007/978-3-662-64527-710.1007/978-3-662-64527-7Suche in Google Scholar
3 Janorschke, B.; Pritzel, C.: Wandlungsfähigkeit. In: Schenk, M.; Schlick, C. M. (Hrsg.): Industrielle Dienstleistungen und Internationalisierung. Gabler Verlag, Wiesbaden 2009, S. 422 DOI:10.1007/978-3-8349-8794-5_1510.1007/978-3-8349-8794-5_15Suche in Google Scholar
4 Park, J.; Samarakoon, S.; Bennis, M.; Debbah, M.: Wireless Network Intelligence at the Edge. Proceedings of the IEEE 107 (2019), S. 2204–2239 DOI:10.1109/JPROC.2019.294145810.1109/JPROC.2019.2941458Suche in Google Scholar
5 Riaboff, L.; Poggi, S.; Madouasse, A.; Couvreur, S.; Aubin, S.; et al.: Development of a Methodological Framework for a Robust Prediction of the Main Behaviours of Dairy Cows Using a Combination of Machine Learning Algorithms on Accelerometer Data. Computers and Electronics in Agriculture 169 (2020), S. 105–179 DOI:10.1016/j.compag.2019.10517910.1016/j.compag.2019.105179Suche in Google Scholar
6 Mannini A.; Sabatini, A. M.: Machine Learning Methods for Classifying Human Physical Activity from On-body Accelerometers. Sensors 10 (2010) 2, S. 1154–1175 DOI:10.3390/s10020115410.3390/s100201154Suche in Google Scholar PubMed PubMed Central
7 Bao, L.; Intille, S. S.: Activity Recognition from User-annotated Acceleration Data. In: Ferscha, A.; Mattern, F. (Hrsg.); Pervasive Computing. Pervasive 2004. Lecture Notes in Computer Science 3001. Springer-Verlag, Berlin, Heidelberg 2004 DOI:10.1007/978-3-540-24646-6_110.1007/978-3-540-24646-6_1Suche in Google Scholar
8 Hoogendoorn, M.; Funk, B.: Machine Learning for the Quantified Self. Springer International Publishing, Cham 2018, S. 7–104 DOI:10.1007/978-3-319-66308-110.1007/978-3-319-66308-1Suche in Google Scholar
9 Kirste, M.; Schürholz, M.: Einleitung: Entwicklungswege zur KI. iit-Themenband. In: Wittpahl, V. (Hrsg.): Künstliche Intelligenz. Springer-Vieweg-Verlag, Berlin, Heidelberg 2019, S. 24–25 DOI:10.1007/978-3-662-58042-4_110.1007/978-3-662-58042-4_1Suche in Google Scholar
10 Bersch, S. D.; Azzi, D.; Khusainov, R.; Achumba, I. E.; Ries, J.: Sensor Data Acquisition and Processing Parameters for Human Activity Classification. Sensors 14 (2014), S. 4239–4270 DOI:10.3390/s14030423910.3390/s140304239Suche in Google Scholar PubMed PubMed Central
11 Chawla, N. V.; Bowyer, K.: SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research 16 (2002) 1, S. 321–357 DOI:10.1613/jair.95310.1613/jair.953Suche in Google Scholar
12 Japkowicz, N.: The Class Imbalance Problem: Significance and Strategies. In: Proceedings of the International Conference on Artificial Intelligence (ICAI), Las Vegas 2000, S. 111–117Suche in Google Scholar
13 Mirjalili, S.: Evolutionary Algorithms and Neural Networks. In: Studies in Computational Intelligence. Bd. 780. Springer International Publishing, Cham 2019, S. 75–76 DOI:10.1007/978-3-319-93025-1_610.1007/978-3-319-93025-1_6Suche in Google Scholar
14 Li, L.; Jamieson, K.; DeSalvo, G.; Rostamizadeh, A.; Talwalkar, A.: Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization. Journal of Machine Learning Research 18 (2018), S. 1–52Suche in Google Scholar
15 Dalianis, H.: Evaluation Metrics and Evaluation. In: Dalianis, H. (Hrsg.): Clinical Text Mining: Secondary Use of Electronic Patient Records. Springer International Publishing, Cham 2018, S. 45–53 DOI:10.1007/978-3-319-78503-5_610.1007/978-3-319-78503-5_6Suche in Google Scholar
16 OASIS MQTT Technical Committee: MQTT – The Standard for IoT Messaging (2022). Online unter https://mqtt.org/ [Abruf am 11.10.2022]Suche in Google Scholar
17 Flühr, H.; Avionik und Flugsicherungstechnik. Springer-Verlag, Berlin, Heidelberg 2012, S. 287–289 DOI:10.1007/978-3-642-33576-110.1007/978-3-642-33576-1Suche in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Frontmatter
- Editorial
- Herausforderungen der Fertigungsindustrie
- Automobilindustrie
- Disruptive Veränderungen in der Automobilindustrie bedingen neue Entwicklungsprozesse
- Wandlungsfähigkeit
- Beschreibung und Bewertung der Wandlungsfähigkeit
- Anlaufmanagement
- Nachhaltigkeit im Produktionsanlauf
- Produktionssteuerung
- Bewertungsmodell zur proaktiven Produktionssteuerung im Schiffsbau
- Additive Fertigung
- Adaptive Reparatur-Prozesskette
- Ergonomie
- Kommissionierung
- Industrielle Reinigung
- Cyberphysische Reinigungssysteme für ressourceneffiziente Tankreinigungsprozesse
- Ökologie
- Klimamanagement zur Verbesserung der CO2-Bilanz in der Produktion
- Effiziente Stagnationswasser-Entfernung in trinkwassertechnischen Anlagen
- Diskontinuität
- Frühaufklärung produktionskritischer Diskontinuitäten
- Personas
- Die empirische Bestimmung von Personas und deren Implikationen auf eine User Journey
- Künstliche Intelligenz
- KI-Kanban-Behälter
- Soziotechnische Gestaltung einer intelligenten Personaleinsatzplanung
- Auf dem Weg zur autonomen Maschine
- Maschinelles Lernen
- Potenziale von Motion Capturing bei der Erstellung von Ausführungsanalysen
- Assistenzsysteme
- Automatisierte Angebotskalkulation
- 10.1515/zwf-2023-1159
- Systems Engineering
- Systems & Life Cycle Engineering für Strategische Souveränität
- Vorschau
- Vorschau
Artikel in diesem Heft
- Frontmatter
- Editorial
- Herausforderungen der Fertigungsindustrie
- Automobilindustrie
- Disruptive Veränderungen in der Automobilindustrie bedingen neue Entwicklungsprozesse
- Wandlungsfähigkeit
- Beschreibung und Bewertung der Wandlungsfähigkeit
- Anlaufmanagement
- Nachhaltigkeit im Produktionsanlauf
- Produktionssteuerung
- Bewertungsmodell zur proaktiven Produktionssteuerung im Schiffsbau
- Additive Fertigung
- Adaptive Reparatur-Prozesskette
- Ergonomie
- Kommissionierung
- Industrielle Reinigung
- Cyberphysische Reinigungssysteme für ressourceneffiziente Tankreinigungsprozesse
- Ökologie
- Klimamanagement zur Verbesserung der CO2-Bilanz in der Produktion
- Effiziente Stagnationswasser-Entfernung in trinkwassertechnischen Anlagen
- Diskontinuität
- Frühaufklärung produktionskritischer Diskontinuitäten
- Personas
- Die empirische Bestimmung von Personas und deren Implikationen auf eine User Journey
- Künstliche Intelligenz
- KI-Kanban-Behälter
- Soziotechnische Gestaltung einer intelligenten Personaleinsatzplanung
- Auf dem Weg zur autonomen Maschine
- Maschinelles Lernen
- Potenziale von Motion Capturing bei der Erstellung von Ausführungsanalysen
- Assistenzsysteme
- Automatisierte Angebotskalkulation
- 10.1515/zwf-2023-1159
- Systems Engineering
- Systems & Life Cycle Engineering für Strategische Souveränität
- Vorschau
- Vorschau
